[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-en-105":3,"doc-seo-290331-105":59,"doc-detail-290331-en":130},{"code":4,"msg":5,"data":6},0,"success",[7,13,18,23,28,33,38,43,48,51,55],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},1,"Document","Story & Novel",90,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":16,"slug":17},2,"Literature",80,"literature",{"id":19,"doc_module":4,"doc_module_name":9,"category_name":20,"show_sort_weight":21,"slug":22},4,"Exam",70,"exam",{"id":24,"doc_module":4,"doc_module_name":9,"category_name":25,"show_sort_weight":26,"slug":27},5,"Comic",60,"comic",{"id":29,"doc_module":4,"doc_module_name":9,"category_name":30,"show_sort_weight":31,"slug":32},6,"Technology",50,"technology",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":36,"slug":37},7,"Healthcare",40,"healthcare",{"id":39,"doc_module":4,"doc_module_name":9,"category_name":40,"show_sort_weight":41,"slug":42},8,"Research & Report",30,"research-report",{"id":44,"doc_module":4,"doc_module_name":9,"category_name":45,"show_sort_weight":46,"slug":47},9,"Religion & Spirituality",20,"religion-spirituality",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":49,"show_sort_weight":46,"slug":50},"World Cup","world-cup",{"id":52,"doc_module":4,"doc_module_name":9,"category_name":53,"show_sort_weight":52,"slug":54},10,"Lifestyle","lifestyle",{"id":56,"doc_module":4,"doc_module_name":9,"category_name":57,"show_sort_weight":24,"slug":58},19,"General","general",{"code":4,"msg":60,"data":61},"ok",{"site_id":62,"language":63,"slug":64,"title":65,"keywords":66,"description":67,"schema_data":68,"social_meta":123,"head_meta":125,"extra_data":127,"updated_unix":129},105,"lt","detection-of-microplastic-particles-using-machine-learning-methods","Mikroplastiko dalelių aptikimas naudojant mašininio mokymosi metodus","","Mikroplastiko dalelių aptikimui nevienodai apšviestose mikroskopijos nuotraukose optimizuojamas metodų derinys. Taikomi binarizacijos metodai mikroplastiko objektams atskirti nuo vaizdo fono, po kurių atliekama dalelių segmentacija ir morfologiniai sprendimai klaidingai aptiktų dalelių skaičiui mažinti. Vertinama Otsu ir Sauvola metodų įtaka, atskleidžiant, kad Sauvola identifikuoja daugiau tikrų objektų, nors padidina ir klaidingų aptikčių. Toliau įdiegiamas mašininio mokymosi klasifikavimas, parenkant požymius ir vertinant modelius pagal tikslumą, jautrumą ir F1 balansą. Geriausiai pasirodo atsitiktinio miško klasifikatorius su sunkių neigiamų pavyzdžių (hard negative mining) metodu.",{"@graph":69,"@context":122},[70,84,105],{"@type":71,"itemListElement":72},"BreadcrumbList",[73,77,79,82],{"item":74,"name":75,"@type":76,"position":8},"https://docshare.wps.com","Home","ListItem",{"item":78,"name":9,"@type":76,"position":14},"https://docshare.wps.com/document/",{"item":80,"name":40,"@type":76,"position":81},"https://docshare.wps.com/document/research-report/",3,{"item":83,"name":65,"@type":76,"position":19},"https://docshare.wps.com/document/detection-of-microplastic-particles-using-machine-learning-methods/290331/",{"url":83,"name":65,"@type":85,"image":86,"author":91,"headline":65,"publisher":94,"fileFormat":97,"inLanguage":63,"description":67,"dateModified":98,"datePublished":99,"encodingFormat":97,"isAccessibleForFree":100,"interactionStatistic":101},"DigitalDocument",{"url":87,"@type":88,"width":89,"height":90},"https://docshare.wps.com/thumbnails/detection-of-microplastic-particles-using-machine-learning-methods/290331.png","ImageObject",300,407,{"name":92,"@type":93},"Ava Thompson","Person",{"url":74,"name":95,"@type":96},"DocShare","Organization","application/pdf","2026-10-19","2026-09-17",true,{"@type":102,"interactionType":103,"userInteractionCount":34},"InteractionCounter",{"@type":104},"ViewAction",{"@type":106,"mainEntity":107},"FAQPage",[108,114,118],{"name":109,"@type":110,"acceptedAnswer":111},"Koks pagrindinis šio projekto tikslas aptinkant mikroplastiko daleles?","Question",{"text":112,"@type":113},"Sukurti ir optimizuoti metodų derinį, kuris efektyviai atpažįsta mikroplastiko daleles nevienodai apšviestose mikroskopijos nuotraukose.","Answer",{"name":115,"@type":110,"acceptedAnswer":116},"Kaip binarizavimo metodai padeda atskirti mikroplastiko objektus?",{"text":117,"@type":113},"Binarizavimas naudojamas mikroplastiko objektams atskirti nuo vaizdo fono, o po segmentacijos taikomi morfologiniai sprendimai aptikčių kokybei gerinti.",{"name":119,"@type":110,"acceptedAnswer":120},"Kurį klasifikavimo modelį projekto autoriai laiko optimaliausiu ir kodėl?",{"text":121,"@type":113},"Optimaliausias laikomas atsitiktinio miško klasifikatorius, taikant sunkių neigiamų pavyzdžių (hard negative mining) metodą, kuris pagerina tikslumą nustatant tikras mikroplastiko daleles.","https://schema.org",{"og:url":83,"og:type":124,"og:title":65,"og:site_name":95,"og:description":67},"article",{"robots":126,"canonical":83},"index,follow",{"doc_id":128,"site_id":62},290331,1790362822,{"code":4,"msg":5,"data":131},{"doc_id":128,"user_id":132,"nickname":92,"user_avatar":133,"doc_module":4,"category_id":39,"category_name":40,"doc_title":65,"doc_description":67,"doc_content":134,"file_id":135,"file_url":136,"file_type":137,"file_size":138,"view_count":34,"is_deleted":4,"is_public":8,"is_downloadable":8,"audit_status":8,"page_count":139,"language":140,"language_code":63,"site_id":62,"html_lang":141,"table_of_contents":142,"faqs":143,"seo_title":144,"seo_description":67,"update_tm":145,"read_time":146,"preview_page_count":4},1649267921044,"https://us-avatar.wpscdn.com/avatar/1800007509477c92dfb?_k=1786009248482753345","VILNIAUS UNIVERSITETAS  \nMATEMATIKOS IR INFORMATIKOS FAKULTETAS INFORMATIKOS INSTITUTAS  \nKOMPIUTERINIO IR DUOMENŲ MODELIAVIMO KATEDRA  \nBaigiamasis magistro darbas  \nMikroplastiko dalelių aptikimas naudojant mašininio  \nmokymosi metodus  \nDetection of microplastic particles using machine learning methods  \nAtliko:  \nLaurynas Èižius  \nVadovas:  \nDr. Tomas Raila  \nVilnius  \nTurinys  \nSantrauka 4  \nSummary 5  \nĮvadas 6  \n1. Mikroplastikas ir jo vaizdų analizė 7  \n1.1. Vaizdo paruošimas .................................. 7  \n1.2. Vaizdo glodinimas .................................. 8  \n1.3. Binarizavimas ..................................... 8  \n1.3.1. Otsu binarizavimo metodas .......................... 8  \n1.3.2. Sauvola binarizavimo metodas ........................ 9  \n1.4. Objektų kontūrų išskyrimas .............................. 9  \n1.5. Objektų aptikimo tikslumo įvertinimas ........................ 11  \n1.6. Skaitmeninių vaizdų morfologija ........................... 12  \n2. Mašininio mokymosi metodai 13  \n2.1. Atsitiktinio miško klasifikatorius ........................... 13  \n2.1.1. Savybių svarbos nustatymo metodas ..................... 15  \n2.2. KNN klasifikatorius .................................. 16  \n2.2.1. Atributų svarbos nustatymo ReliefF metodas ................ 17  \n2.3. AdaBoost klasifikatorius ............................... 17  \n2.4. XGBoost klasifikatorius ................................ 17  \n2.5. Sunkių neigiamų pavyzdžių metodas ......................... 18  \n2.6. Sintetinis klasės mažumos didinimo metodas ..................... 19  \n3. Susijusių darbų apžvalga 20  \n3.1. Automatinis mikroplastiko dalelių skaičiavimas ir klasifikavimas .......... 20  \n3.2. Mikroplastiko skaičiavimo ir klasifikavimo automatizuota programinė įranga ... 20  \n3.3. Giliojo mokymo metodas automatiniam mikroplastiko skaičiavimui ir klasifikavimui 21  \n3.4. Automatinis mikroplastiko kiekio nustatymas ir klasifikavimas taikant gilųjį mokymąsi ......................................... 21  \n4. Mikroplastiko dalelių segmentavimo tyrimas 22  \n4.1. Duomenų aprašymas ................................. 22  \n4.2. Globalaus ir adaptyvaus binarizavimo metodų palyginimas ............. 23  \n4.2.1. Otsu binarizavimo taikymas ......................... 23  \n4.2.2. Sauvola binarizavimo tyrimas ........................ 26  \n4.3. Otsu ir Sauvola ekperimentų rezultatų apžvalga ................... 27  \n5. Mašininio mokymo klasifikatorių taikymas 32  \n5.1. Objektų savybių išskyrimas ir jų etikečių nustatymas ................ 32  \n5.2. Atsitiktinis miškas ................................... 34  \n5.3. KNN .......................................... 37  \n5.4. AdaBoost ....................................... 39  \n5.5. XGBoost ........................................ 41  \n5.6. Galutinis modelių vertinimas ............................. 45  \nIšvados ir rekomendacijos 48  \nAteities tyrimų planas 49  \nLiteratūros šaltiniai 50  \nSantrauka  \nŠio projekto esmė yra optimizuoti metodų derinį, kuris sugebėtų efektyviai atpažinti, aptiktimikroplastiko daleles nevienodai apšviestose mikroskopijos nuotraukose. Šiame darbe taikyti binarizacijos metodai siekiantys išskirti mikroplastiko objektus nuo fono. Atlikus dalelių binarizacijos segmentaciją toliau vykdomi morfologijos sprendimai, kurie padėjo pagerinti objektų aptikimorezultatus taip sumažinant klaidingai aptiktų dalelių atvejų skaičių . Užtikrinant tinkamą mašininio mokymosi proceso pagrindą atliekama mikroplastiko duomenų rinkinio analizė ir paruošimas, kuris skirtas mašininio mokymosi klasifikatorių modeliams. Atsižvelgiant į klasifikatorių modelių ir binarizacijos vertinimą pagal įvairius metrikos rodiklius (tikslumas, jautrumas ir F1 balansą) mašininio mokymosi sprendimas padėjo efektyviau atpažinti mikroplastiko daleles.  \nSummary  \nDetection of microplastic particles using machine learning methods  \nThe essence of this project is to optimize a combination of methods capable of effectively recognizing and detec","cbCaiczZqeOO1Emr","https://ap.wps.com/l/cbCaiczZqeOO1Emr","pdf",10417437,52,"Lithuanian","en","# Santrauka\n# Įvadas\n# Mikroplastikas ir jo vaizdų analizė\n## Vaizdo paruošimas\n## Vaizdo glodinimas\n## Binarizavimas\n## Objektų kontūrų išskyrimas\n## Objektų aptikimo tikslumo įvertinimas\n## Skaitmeninių vaizdų morfologija\n# Mašininio mokymosi metodai\n## Atsitiktinio miško klasifikatorius\n## KNN klasifikatorius\n## AdaBoost klasifikatorius\n## XGBoost klasifikatorius\n## Sunkių neigiamų pavyzdžių metodas\n## Sintetinis klasės mažumos didinimo metodas\n# Susijusių darbų apžvalga\n# Mikroplastiko dalelių segmentavimo tyrimas\n# Mašininio mokymo klasifikatorių taikymas\n# Išvados ir rekomendacijos\n# Ateities tyrimų planas\n# Literatūros šaltiniai","[{\"question\":\"Koks pagrindinis šio projekto tikslas aptinkant mikroplastiko daleles?\",\"answer\":\"Sukurti ir optimizuoti metodų derinį, kuris efektyviai atpažįsta mikroplastiko daleles nevienodai apšviestose mikroskopijos nuotraukose.\"},{\"question\":\"Kaip binarizavimo metodai padeda atskirti mikroplastiko objektus?\",\"answer\":\"Binarizavimas naudojamas mikroplastiko objektams atskirti nuo vaizdo fono, o po segmentacijos taikomi morfologiniai sprendimai aptikčių kokybei gerinti.\"},{\"question\":\"Kurį klasifikavimo modelį projekto autoriai laiko optimaliausiu ir kodėl?\",\"answer\":\"Optimaliausias laikomas atsitiktinio miško klasifikatorius, taikant sunkių neigiamų pavyzdžių (hard negative mining) metodą, kuris pagerina tikslumą nustatant tikras mikroplastiko daleles.\"}]","Mikroplastiko dalelių aptikimas naudojant mašininio mokymosi metodus | PDF",1789641392,131]